基于步态能量图特征提取新方法.docVIP

基于步态能量图特征提取新方法 　　摘 要：为了更好地提取步态特征，实现更好的分类识别效果，提出了基于带关节点的步态能量图（PGEI），以便表达完整的步态特征，再运用LBP局部二值模式特征提取方法提取图像的特征，最后使用SVM支持向量机进行最后的步态识别。使用中科院自动化所CASIA B步态数据库进行实验，以SVM支持向量机的算法进行识别，分别识别步态能量图GEI和带有关节点的步态能量图PGEI图像，正确率分别为52.17%～56.52%和83.33%～95.83%. 这说明，这种特征提取方法具有较好的识别性。 　　关键词：步态识别；步态能量图；支持向量机；特征提取 　　中图分类号：TP391.414 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.22.075 　　1 步态识别特征的提取方法 　　特征提取方法主要分为基于模型的特征提取方法和基于非模型的特征提取方法。 　　基于模型的特征提取方法就是利用数学建模的思想建立图像模型，再根据分析图像模型参数的变化情况提取步态特征。Yam等人改进和扩展了钟摆模型，采用耦合的钟摆模型来刻画大腿和脚踝的旋转运动，得到步态特征；Lee等人将人体表示成7个椭圆区域，提取出各椭圆区域的质心横纵坐标、长短轴的长度等7个椭圆区域的特征来表示步态特征。 　　基于非模型的特征提取方法是直接利用人体运动特征，不必考虑人体的结构，利用数学描述步态作为识别的特征依据。Bobick等人直接在步态侧影图像序列中提取出动能量图（MEI）来表示步态特征，并且提出运动经历图（MHI）来描述运动的变化；Han等人在总结前人做法的基础上，提出构造步态能量图（GEI）的思想，将一个步态周期内的全部步态二值化轮廓图像，均值化处理得到一幅平均步态轮廓图像，以此作为步态特征进行步态识别。 　　2 带关节点的步态能量图 　　2.1 图像轮廓和关节点提取 　　对步态视频序列进行帧分割，得到帧图像后，运用背景减除法提取运动目标，而后采用形态学处理和连通域分析得到处理后的图像。图像轮廓和关节点提取如图1所示。 　　对处理后的图像进行标准化处理、图像剪裁和周期性分析，得到在一个周期中所有的步态序列图像，以此作为之后带有关节点步态能量图的基础。 　　由于绝大部分的步态特征会集中在每帧图像中步态轮廓上边，而且在人体视觉识别中，也会依赖人体的形状识别出行人的身份。因此，我们在步态轮廓图像之上提取关节点。 　　在图像轮廓图上，按照人体各部分的比例选择关节点在人体轮廓图上的位置。髋关节为身高比例的0.543，膝关节为身高的0.263，踝关节为身高的0.043.提取的带关节点的步态轮廓如图2所示。 　　2.2 形成带关节点的步态能量图 　　在基于非模型的特征提取方法中，步态能量图是鲁棒性能和提取特征较好的方法，能够反映步态的主要轮廓及其主要变化特性。步态能量图的每一幅轮廓图像都是空间归一化和标准化的图像。 　　设Ii（x，y）为第i幅提取出来的标准化了的人体运动步态图像，则步态能量图像（GEI）可用式（1）表示，即： 　　步态作为一种行为特征，最突出的变化在于运动过程中身体各部分的动态变化。因此，本文在步态能量图的基础之上提出了基于带有关节点的步态能量图（PGEI）的构想，将一个周期的步态变化完全体现在一张图上，以像素值的不同来表达人体各部分关节点在一个周期中发生的变化。这类图像既能够表示时间上标准化的能量积累，又可以表示步态的速度，也能够表达形态等特征。 　　提取关节点的步态轮廓以步态能量图的表达方式形成带关节点的步态能量图，如图3所示。从图3中可以看出各个关节点在一个运动周期内的运动轨迹，从而更好地表达一个周期中的步态特征。 　　得到带关节点的步态能量图后，采用LBP局部二值模式提取图像的纹理特征，取图像的直方图作为提取的纹理特征进行接下来的识别工作，并采用SVM支持向量机识别步态特征。 　　3 实验结果与分析 　　本文所选用的步态视频序列都来自中科院自动化研究所CASIA B数据库，共选用其中19个人共76个视频序列进行训练和测试，这些视频序列都是在被测者侧面90°视角拍摄的。对视频序列进行预处理，得到步态能量图和带有关节点的步态能量图，并采用LBP算法提取图像纹理特征，得到纹理特征的直方图。从每位被测者的4个纹理特征直方图中选取3个作为训练样本，另外一个用作测试。 　　在SVM算法中，核函数的类别决定训练样本进行模式识别的空间结构。不同核函数会产生不同的分类效果，本文采用是多项式核函数和径向核函数进行对比试验。 　　在这里，我们用正确率来表示识别的评价指标，预测的标签和实际训练标签相同，则判定为本样本识别正确。正确率的定义为： 　　分别采用上述2种内核函数的SVM向